老卫带你学---python使用scipy求解线性规划问题

老卫带你学—python使用scipy求解线性规划问题

线性规划求解
线性规划求解主要弄清楚两个部分，目标函数（max，min）和约束条件（s.t.），我们求解时一般要化为MATLAB标准形式

MATLAB求解代码为：

[x,fval]=linprog(c,A,b,Aeq,beq,LB,UB,X0,OPTIONS)
LB,UB分别为x的上界和下界

在此用Python求解，需要scipy和numpy库的支持：

from scipy import optimize
import numpy as np

#求解函数
res = optimize.linprog(c,A,b,Aeq,beq,LB,UB,X0,OPTIONS)
#目标函数最小值
print(res.fun)
#最优解
print(res.x)

例 求解下列线性规划问题

code:

#导入包
from scipy import optimize
import numpy as np

#确定c,A,b,Aeq,beq
c = np.array([2,3,-5])
A = np.array([[-2,5,-1],[1,3,1]])     ###这里是二维数组
b = np.array([-10,12)]
Aeq = np.array([[1,1,1]])     ###这里是二维数组
beq = np.array([7])

#求解
res = optimize.linprog(-c,A,b,Aeq,beq)
print(res)

reslult:
     fun: -14.571428571428571
 message: 'Optimization terminated successfully.'
     nit: 2
   slack: array([3.85714286, 0.        ])
  status: 0
 success: True
       x: array([6.42857143, 0.57142857, 0.        ])

可以看到求解的结果，我们关注第一个和最后一个，fun就是目标函数最小值，x就是最优解。
注：在求解时带入-c并且把第二个式子的系数加了负号，是因为需要化为MATLAB标准形式，最终求出来的值为最小值即-14.57，去掉负号就是我们要的最大值。

由于求解的是目标函数是最小值的问题，但如果我们的目标函数是求最大值，可以通过对目标函数中每一项中乘以-1，将求最大值问题转化为求最小值问题；